pytorch自带网络_PyTorch 中的 tensorboard 可视化

如果我们实现了一个 CNN 网络，在 mnist 上通过两个卷积层完成分类识别。但是在我们调试代码的过程中，其实往往会想要知道我们的网络训练过程中的效果变化，比如 loss 和 accuracy 的变化曲线。

当然，我们可以将训练过程中的数据数据打印出来，但是一个是不够直观，另外一个是没有图形的表现力强。所以本篇笔记介绍了 tensorboard 来完成可视化的操作。

1. TensorBoard 介绍

tensorboard 一开始是在 TensorFlow 中的可视化工具，它可以用来展示网络图、数据的处理流程、执行过程中的指标变化。特别是在训练网络的时候，网络参数的不同设置(比如：权重、偏置、卷积层数、全连接层数等)。通俗点就是网络训练过程中的各种参数和指标的变化都可以展示成图表的形式，除此之外，还可以展示网络模型的结构，训练数据的照片等。 在 TensorFlow 中的优秀表现，使得 pytorch 从 1.2.0 版本开始，正式自带了 tensorboard。也就可以很方便的在 pytorch 训练中进行可视化了。

2. 先 run 一个示例吧

按照我们的习惯，先找一个简单的例子 run 起来，再一步步去学习其中的原理吧。首先我们看一个官方文档的示例：

from torch.utils.tensorboard import SummaryWriterwriter = SummaryWriter()x = range(100)for i in x:    writer.add_scalar('y=2x', i * 2, i)writer.close()

执行这一段代码后，tensorboard 会在 './runs' 文件夹下保存训练的日志。 接下来我们仔细的分析一下这个例子，来帮助理解这里的具体执行过程：

• 首先导入 SummaryWriter，这是一个类，需要实例化出一个对象，这里我们命名为 writer。初始化的参数我们最关心的一个就是 log 文件的地址。如果没有输入就默认为当前文件中的 runs 文件夹，如果没有 runs 文件夹则创建一个。

• 接下来，我们看到在 for 循环中调用了 writer 的一个方法：add_scalar()，这个函数的参数定义如下：

  def add_scalar(self, tag, scalar_value, global_step=None, walltime=None):

• 我们介绍一下这个方法比较重要的几个参数。这个方法的作用是将我们想要的数据存入 log 文件中，那么这段数据的标签(也就是我们画图时的 title)就是参数 tag，而 scalar_value 就是当前存入的数值(也就是画图时的 y 轴)，而 global_step 就是我们在哪一步存入了一次数据(也就是画图时的 x 轴)。

• 那么在这个循环中，我们可以看到存入的数据标签是 'y=2x'，而在第 i 步时存入的数值是 2*i，通过循环相当于将每一步时刻的 y 值都存了进去，也可以理解为将一幅图的每个点坐标存入了 log 文件中。

• 最后使用 write.close() 终止掉这个对象。

然后我们在 terminal 调用下列命令：

这一步的思路相当于，使用 tensorboard 来调用目标的 log 文件中的数据进行可视化，后面也可以继续加参数 —port 来指定端口。我们这里没有指定，就会选择默认端口 6006. 然后我们将显示的这个地址： http://localhost:6006/ 复制到浏览器中，就可以看到如下结果： 这里我们可以看到，做出了一个 step 从 0 到 99 的图像，而纵轴则是在对应 step 的 value，最终的图像刚好是一个 y=2x 的斜线。 通过这个例子，我们知道了如何使用 tensorboard 完成一个完整的可视化流程。知道了关键的几个步骤的含义，那么接下来，我们就修改一下之前第二篇笔记的代码，来完成对一个 CNN 训练过程中数据的可视化。

3. 可视化 CNN 训练数据

这里使用之前的代码进行修改，当时我们对代码训练过程中的 loss 进行了打印，每过 50 个 step 则计算一次在测试集上的 accuracy，然后打印训练集上的 loss 和测试集上的 accuracy。 我们这里主要看一下训练过程中的代码：

writer = SummaryWriter('tb_mnist')for epoch in range(EPOCH):    for step, (b_x, b_y) in enumerate(train_loader):        # print(b_x.shape); break        if cuda_gpu:            b_x = b_x.cuda()            b_y = b_y.cuda()        output = cnn(b_x)        loss = loss_func(output, b_y)        optimizer.zero_grad()        loss.backward()        optimizer.step()        if step % 50 == 0:            test_output = cnn(test_x)            pred_y = torch.max(test_output, 1)[1].data            if cuda_gpu:                pred_y = pred_y.cpu().numpy()            else:                pred_y = pred_y.numpy()            accuracy = float((pred_y == test_y.data.numpy()).astype(int).sum()) / float(test_y.size(0))            print('Epoch: ', epoch, '| train loss: %.4f' % loss.data, '| test accuracy: %.2f' % accuracy)            writer.add_scalar("Train/Accuracy", accuracy, step)        writer.add_scalar("Train/Loss", loss.item(), step)

可以看到第一行同样是实例化了一个 writer，其余的都一样，直到下面最后两行代码做了修改。第一个是在每次打印的时候，将对应 step 的 accuracy 添加进了 Train/Accuracy 中；第二个是在这个打印的 for 循环的外面，也就是对每一个 step 都保存了当前的 loss 信息。 和上面一样，我们在命令行中执行 tensorboard 命令，指定好 log 文件的地址，在目标端口中就可以看到如下信息：

可以看到这样的两幅图，左边的 accuracy，右边的是 loss。而且可以看到左边的 accuracy 因为我们是每过 50 个 step 保存一次，所以数据明显有折痕。而 loss 是每个 step 都在打印，所以可以看到非常详细的描述了训练过程中 loss 的变化曲线。 在我们的模型训练过程中，就可以通过 add_scalar() 来描绘一些目标参数的变化过程。

4. 图片和模型的可视化

介绍完了图表的绘制，我们再展示一个官方文档中的例子，来为大家进一步学习 tensorboard 的广泛用途。这里的例子分别是利用 tensorboard 展示图片和网络结构。先看一下官方的代码吧：

import torchimport torchvisionfrom torch.utils.tensorboard import SummaryWriterfrom torchvision import datasets, transforms# Writer will output to ./runs/ directory by defaultwriter = SummaryWriter()transform = transforms.Compose([transforms.ToTensor(), transforms.Normalize((0.5,), (0.5,))])trainset = datasets.MNIST('mnist_train', train=True, download=True, transform=transform)trainloader = torch.utils.data.DataLoader(trainset, batch_size=64, shuffle=True)model = torchvision.models.resnet50(False)# Have ResNet model take in grayscale rather than RGBmodel.conv1 = torch.nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3, bias=False)images, labels = next(iter(trainloader))grid = torchvision.utils.make_grid(images)writer.add_image('images', grid, 0)writer.add_graph(model, images)writer.close()

有了前面的例子，我们就可以比较轻松的理解这段代码的意思了。首先数据选择了我们前面用的数据集 mnist，网络结构直接调用了 pytorch 的自带模型 resnet，通过这条命令调取：torchvision.models.resnet50()。 重点是最后一段的代码，grid 是用 torchvision 中集成的工具，将数据集中的一批照片读取进来，按网格状排列。照片的数量我们可以看到，前面 trainloader 设置了 batch_size = 64，也就是说 64 张照片。 然后开始用 writer 去调用对应的方法，图片用 add_image，模型图用 add_graph。接下来让我们去看一下效果：

image 示例

graph 示例

这两张图分别展示了 image 和 graph 的效果，一个是 64 张训练时的照片进行展示，拼接成 8*8 的网格状；一个是 resnet50 的网络结构，这个网络结构还支持继续展开，只需要鼠标在上面双击即可，图中的情况就是我进行了适当的展开后的样子。

总结

今天的文章我们介绍了 tensorboard 的用途，然后通过几个例子，逐步深入了 tensorboard 的使用，当然它的功能远不止我们文中介绍的内容，但是作为入门已经够用了。如果大家还想再继续深入了解 tensorboard，可以访问官方文档： https://pytorch.org/docs/stable/tensorboard.html 官方文档中还有很多其它 tensorboard 的使用方法介绍，接口清晰而且都有示例。 希望今天的文章可以让大家了解到 tensorboard 的入门使用，在网络训练过程中，有效的可视化可以帮助我们快速定位 bug，更加深入的理解网络的训练效果。动手尝试一下吧~

推荐阅读： 一文读懂高并发情况下的常见缓存问题 用 Django 开发基于以太坊智能合约的 DApp 一文读懂 Python 分布式任务队列 celery 5 分钟解读 Python 中的链式调用 用 Python 创建一个比特币价格预警应用

▼点击成为社区会员   喜欢就点个在看吧